論文の概要: SQA-SAM: Segmentation Quality Assessment for Medical Images Utilizing
the Segment Anything Model
- arxiv url: http://arxiv.org/abs/2312.09899v1
- Date: Fri, 15 Dec 2023 15:49:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 15:06:10.527472
- Title: SQA-SAM: Segmentation Quality Assessment for Medical Images Utilizing
the Segment Anything Model
- Title（参考訳）: SQA-SAM:セグメンテーションモデルを用いた医用画像のセグメンテーション品質評価
- Authors: Yizhe Zhang, Shuo Wang, Tao Zhou, Qi Dou, and Danny Z. Chen
- Abstract要約: 医用画像セグメンテーションの品質評価の精度を高めるために,SQA-SAMと呼ばれる新しいSQA手法を提案する。
医用画像分割モデル(MedSeg)がテスト画像の予測を生成すると、予測に基づいて視覚的プロンプトを生成し、SAMを用いて視覚的プロンプトに対応するセグメンテーションマップを生成する。
MedSegのセグメンテーションがSAMのセグメンテーションとどのように一致しているかは、MedSegのセグメンテーションがオブジェクトの認識とイメージ領域のパーティションの一般的な認識といかにうまく一致しているかを示している。
- 参考スコア（独自算出の注目度）: 35.569906173295834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Segmentation quality assessment (SQA) plays a critical role in the deployment
of a medical image based AI system. Users need to be informed/alerted whenever
an AI system generates unreliable/incorrect predictions. With the introduction
of the Segment Anything Model (SAM), a general foundation segmentation model,
new research opportunities emerged in how one can utilize SAM for medical image
segmentation. In this paper, we propose a novel SQA method, called SQA-SAM,
which exploits SAM to enhance the accuracy of quality assessment for medical
image segmentation. When a medical image segmentation model (MedSeg) produces
predictions for a test image, we generate visual prompts based on the
predictions, and SAM is utilized to generate segmentation maps corresponding to
the visual prompts. How well MedSeg's segmentation aligns with SAM's
segmentation indicates how well MedSeg's segmentation aligns with the general
perception of objectness and image region partition. We develop a score measure
for such alignment. In experiments, we find that the generated scores exhibit
moderate to strong positive correlation (in Pearson correlation and Spearman
correlation) with Dice coefficient scores reflecting the true segmentation
quality.
- Abstract（参考訳）: セグメンテーション品質アセスメント(SQA)は、医療画像ベースのAIシステムの展開において重要な役割を果たす。
AIシステムが信頼できない/誤った予測を生成する場合、ユーザは通知/アラートされる必要がある。
一般基盤セグメンテーションモデルであるSegment Anything Model(SAM)の導入により,SAMを医用画像セグメンテーションに活用する新たな研究の機会が生まれた。
本稿では,samを用いて医用画像分割の品質評価の精度を向上させる新しいsqa法であるsqa-samを提案する。
医用画像分割モデル(MedSeg)がテスト画像の予測を生成すると、予測に基づいて視覚的プロンプトを生成し、SAMを用いて視覚的プロンプトに対応するセグメンテーションマップを生成する。
メゼグのセグメンテーションがいかにサムのセグメンテーションと合致するかは、メゼグのセグメンテーションが対象性と画像領域分割の一般的な知覚とどのように合致するかを示している。
このようなアライメントのためのスコア尺度を開発する。
実験の結果, 生成したスコアは, 真のセグメンテーション品質を反映したDice係数スコアと中程度から強い正の相関(ピアソン相関とスピアマン相関)を示すことがわかった。
関連論文リスト
- Boosting Medical Image Classification with Segmentation Foundation Model [19.41887842350247]
Segment Anything Model (SAM)は、自然画像のゼロショットセグメンテーションにおいて印象的な機能を示す。
SAMのパワーを医療画像分類に活用する方法を示す研究はない。
そこで本研究では,SAMをベースとした斬新な拡張手法であるSAMAug-Cについて紹介する。
論文 参考訳（メタデータ） (2024-06-16T17:54:49Z) - Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。
我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。
医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
論文 参考訳（メタデータ） (2024-06-03T03:16:25Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。
3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
論文 参考訳（メタデータ） (2024-03-29T15:59:11Z) - MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image
Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。
本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。
画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文 参考訳（メタデータ） (2023-09-16T02:41:53Z) - AutoSAM: Adapting SAM to Medical Images by Overloading the Prompt
Encoder [101.28268762305916]
この作業では、Segment Anything Modelを同じ入力イメージで動作するエンコーダに置き換える。
複数の医用画像とビデオのベンチマークで最先端の結果を得る。
内部の知識を検査し、軽量なセグメンテーションソリューションを提供するために、浅いデコンボリューションネットワークによってマスクに復号化することを学ぶ。
論文 参考訳（メタデータ） (2023-06-10T07:27:00Z) - Medical SAM Adapter: Adapting Segment Anything Model for Medical Image
Segmentation [51.770805270588625]
Segment Anything Model (SAM)は画像セグメンテーションの分野で最近人気を集めている。
近年の研究では、SAMは医用画像のセグメンテーションにおいて過小評価されている。
ドメイン固有の医療知識をセグメンテーションモデルに組み込んだ医療SAMアダプタ(Med-SA)を提案する。
論文 参考訳（メタデータ） (2023-04-25T07:34:22Z) - Input Augmentation with SAM: Boosting Medical Image Segmentation with
Segmentation Foundation Model [36.015065439244495]
Segment Anything Model (SAM) はコンピュータビジョンタスクのための汎用セグメンテーションのための大規模モデルである。
SAMは100万枚の画像と10億枚以上のマスクを使って訓練され、自然の風景画像に広範囲のオブジェクトのセグメンテーション結果を生成することができる。
本報告では,SAMは医用画像データに高品質なセグメンテーションを提供していないが,その生成マスク,特徴,安定性スコアは,より優れた医用画像セグメンテーションモデルの構築と訓練に有用であることを示す。
論文 参考訳（メタデータ） (2023-04-22T07:11:53Z) - Segment Anything Model for Medical Image Analysis: an Experimental Study [19.95972201734614]
Segment Anything Model (SAM) は、ユーザ定義オブジェクトをインタラクティブな方法でセグメント化する基礎モデルである。
SAMの医用画像の分類能力について,各種のモダリティと解剖から,19の医用画像データセットの集合体を用いて評価した。
論文 参考訳（メタデータ） (2023-04-20T17:50:18Z) - SAM.MD: Zero-shot medical image segmentation capabilities of the Segment
Anything Model [1.1221592576472588]
医用画像のセグメンテーションにおけるセグメンテーションモデル(Segment Anything Model)のゼロショット機能の評価を行った。
SAMはCTデータによく対応し,半自動セグメンテーションツールの進歩の触媒となる可能性が示唆された。
論文 参考訳（メタデータ） (2023-04-10T18:20:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。